Kiro 安装与上手:两种方法快速拥抱AWS新世代AI IDE

Kiro 安装与上手:两种方法快速拥抱AWS新世代AI IDE

Kiro是亚马逊 AWS 近期推出的一款备受关注的AI集成开发环境(IDE),它在竞争激烈的AI编码工具市场中,选择了一条差异化的道路。与市面上主流的、强调“即兴发挥”(Vibe Coding)的工具如Cursor不同,Kiro的核心是面向企业和专业开发者的“规范驱动开发”(Spec-Driven Development)。它的目标不仅仅是帮助开发者更快地编写代码,更是希望通过结构化的流程,引导团队产出更健壮、更易于维护的生产级软件。

以下是对Kiro的详细介绍:

📝 核心哲学:从“即兴创作”到“规范驱动”

Kiro的诞生源于对当前“即兴编码”潮流的反思。许多AI工具虽然能快速生成代码,但也带来了缺乏文档、逻辑混乱、难以维护的“技术债务”问题 。Kiro的解决方案是在AI生成代码之前,引入一个严谨的规划阶段 。

其核心工作流围绕三个动态的“规范文件”展开,形成了一个“需求-设计-任务”的闭环:

  • requirements.md (需求):Kiro会将你的自然语言描述(无论是口头禅式的还是正式的)转化为结构化的用户故事和验收标准,通常会使用易于理解的EARS(Easy Approach to Requirements Syntax) 语法,确保团队对“要做什么”达成共识 。
  • design.md (设计):基于确认的需求,Kiro会自动生成技术设计方案,包括数据流图、TypeScript接口、数据库模式、API端点等。这为“怎么做”提供了清晰的蓝图 。
  • tasks.md (任务):最后,Kiro会将设计拆解为一个个按依赖关系排序的、可执行的任务和子任务。每个任务都包含单元测试、集成测试等具体实施步骤,开发者可以逐项审核、触发执行 。

这套流程的一大优势在于其“活文档”特性。当后续需要修改功能时,开发者可以直接修改requirements.md,AI便能基于原始上下文理解新的目标,避免了在其他工具中反复在聊天窗口解释上下文的尴尬 。

⚙️ 核心功能与架构

作为一个基于Code OSS(Visual Studio Code的开源版本)构建的IDE,Kiro对VS Code用户非常友好,可以无缝迁移现有的插件、主题和快捷键 。在此之上,它通过一系列特色功能,将AI深度融入开发流程:

  1. Agent Hooks(代理钩子):这是Kiro的事件驱动自动化框架。你可以设置钩子在特定事件触发时(如文件保存、创建)自动执行任务,例如:每次修改API文件时,自动更新README文档代码提交前自动运行安全检查。它就像一位不知疲倦的团队成员,默默维护着代码库的整洁和标准的统一 。
  2. Agent Steering(代理引导):为了解决AI缺乏项目长期记忆的问题,Kiro引入了“引导”机制。你可以在项目根目录的.kiro/steering/文件夹下创建Markdown文件(如tech.md, product.md),定义项目的技术栈、产品愿景、代码规范等。这些文件会作为持久化的上下文,持续指导AI的所有后续操作,确保其生成的内容符合项目既定规范 。
  3. Kiro Powers(能力扩展):这是Kiro近期推出的一项创新,旨在解决AI工具因加载过多工具而导致上下文臃肿、效率低下的问题 。“Powers”是一种模块化的能力包,例如“Stripe支付Power”或“Datadog监控Power”。当你需要处理支付时,只需提及相关关键词,对应的“Power”便会动态加载所需的工具和知识;任务完成后,它会自动卸载,保持AI核心的轻量与专注 。
  4. MCP(Model Context Protocol)集成:Kiro深度支持Anthropic提出的MCP协议,这使其能够安全地连接到各类外部数据源和工具 。例如,通过AWS文档MCP服务器,Kiro可以实时查询最新的AWS服务最佳实践,而不仅依赖于可能过时的训练数据 。你也可以通过MCP连接私有的知识库或向量数据库(如Milvus),实现对超大型代码库的语义化搜索和理解 。

🆚 Kiro vs. Cursor:有何不同?

尽管功能类似Cursor,但两者的定位和目标用户有明显差异:

维度Kiro (AWS)Cursor
核心哲学规范驱动:强调规划、文档和可维护性,旨在提升团队的协作效率和代码的长期质量 。上下文感知:擅长在整个项目范围内进行代码理解和生成,强调流畅的辅助编码体验。
目标用户企业级团队:需要管理复杂项目、遵循严格标准、重视文档和协作的开发团队 。广泛的开发者:从个人开发者到各种规模的团队,追求高效的编码速度。
关键差异化Hooks, Steering, Powers:提供了一套让AI遵循团队纪律和项目规范的机制,更像一个“有经验的架构师” 。项目范围理解:Cursor的Composer等模式在跨文件编辑和代码重构方面表现强大,更像一个“高效的副驾驶”。
主要AI模型目前主要使用Anthropic Claude (Sonnet 3.7/4.0) 。支持切换多种模型,包括OpenAI、Claude等。

💰 定价与可用性

  • 发展状态:Kiro于2025年7月发布公开预览版 ,并在随后的几个月内逐步增加了CLI工具、企业级身份集成等特性,现已正式可用 。
  • 定价模式:Kiro采用分层订阅制。目前提供一个包含50次/月免费交互的免费层(主要供试用),付费计划起价为每月19美元(包含1000次交互),高使用量计划为每月39美元(包含3000次交互)。企业还可以通过AWS Identity Centre进行集中管理 。

总的来说,Kiro代表了AWS在AI开发工具领域的一次重要战略布局。它没有选择与Cursor等工具在“速度”上直接竞争,而是凭借对软件开发流程的深刻理解,创造了一个专注于“规范”和“质量”的AI IDE。对于那些正为AI生成代码的维护性问题而头疼的团队来说,Kiro无疑提供了一条值得关注的新路径。

👻如何安装Kiro

安装Kiro主要有两种方式,具体取决于你希望使用图形化的IDE(集成开发环境),还是更偏爱在终端中使用命令行工具(CLI)。你可以根据下面的流程和表格,快速找到适合自己的安装方法。

开始安装Kiro

选择安装类型

图形化IDE

命令行工具 CLI

访问
kiro.dev

下载对应系统
(Win/Mac/Linux)安装包

运行安装程序
并完成登录

通过终端
执行一键安装命令

安装后
执行 kiro-cli login

🎉 开始使用Kiro

🖥️ 安装Kiro图形化IDE

如果你习惯在Visual Studio Code这类编辑器中进行开发,安装Kiro IDE会是一个很自然的选择。

  1. 运行安装
    • Windows:双击下载的 .exe 文件,按照安装向导的提示完成安装。
  2. 首次启动与配置:安装后打开Kiro,你会看到一个欢迎界面。你需要使用 Google、GitHub 或 AWS Builder ID 进行登录。Kiro还会贴心地询问你是否需要导入现有的VS Code设置和插件,以及选择你喜欢的主题。

Linux:如果你使用的是Ubuntu/Debian系统,可以通过 dpkg 命令安装下载的 .deb 包,并修复依赖关系:

sudo dpkg -i kiro-ide.deb sudoapt-getinstall-f

macOS:打开下载的 .dmg 文件,将Kiro拖动到“应用程序”文件夹即可。

在这里插入图片描述

下载安装包:访问Kiro官网 kiro.dev,根据你的操作系统(Windows, macOS, Linux)下载对应的安装程序。你也可以在一些技术社区或合作伙伴的网站上找到官方提供的直接下载链接,无需在等待名单中排队。

在这里插入图片描述

⌨️ 安装Kiro命令行工具 (CLI)

对于习惯在终端中工作的开发者,或者需要远程连接到服务器的场景,Kiro CLI是更高效的选择。

登录:首次使用CLI功能前,需要进行身份验证:

kiro-cli login 

执行命令后,按照终端中的提示在浏览器中完成登录流程即可。

验证安装:安装完成后,可以通过查看版本来确认CLI是否正常工作:

kiro-cli version 

执行安装命令:在macOS或Linux的终端中,运行以下一键安装脚本即可:

curl-fsSL https://cli.kiro.dev/install |bash

macOS用户也可以选择使用Homebrew进行安装:

brew install kiro-cli 

📋 安装方法速览

为了让你更直观地对比两种安装方式,这里有一个简单的总结:

安装类型适用人群安装命令/方式系统要求
图形化IDE喜欢图形界面、习惯VS Code操作、需要进行项目级开发的用户访问 kiro.dev 下载安装包Windows: 10/11 (64位)
macOS: 10.15+, Intel或Apple芯片
Linux: glibc 2.39+ (如 Ubuntu 24+)
命令行CLI习惯终端操作、需要进行远程开发、或希望将AI能力集成到脚本中的用户curl -fsSL https://cli.kiro.dev/install | bashmacOS / Linux (支持ARM架构)

安装完成后,就可以开始体验Kiro的“规范驱动开发”了。如果你想了解如何在Kiro中创建你的第一个项目,或者对“Agent Steering”等进阶功能的使用有疑问,随时可以再问我。

在这里插入图片描述

🇨🇳简单实用说明

1.安装一个汉化插件,方便操作

在这里插入图片描述


2.选择模式

在这里插入图片描述


Vibe模式
流程:先沟通需求,再灵活构建,无需固定结构
示例:
提问A1:“开发一个测试工具网站”,Kiro 会立即编写代码,非常适合快速验证创意

在这里插入图片描述


生成的网站:

在这里插入图片描述

Spec 模式
流程:先规划 →再构建,分阶段推进(需求→设计→实现)
举个例子:
提问A1:“生成一个测试工具网站”,Kiro 会先:

在这里插入图片描述

1、需求:创建一份需求文档,并咨询你是否接受,然后再进入下一步

在这里插入图片描述


在这里插入图片描述

2、设计:根据需求,创建详细的设计文档

在这里插入图片描述

3、然后创建实施计划,拆解任务

在这里插入图片描述


4、开始执行任务

在这里插入图片描述

开发模式对比表

维度Vibe 模式 (即兴创作模式)Spec 模式 (规范开发模式)
特点强调思维自由流动,“想到哪写到哪”强调先明确需求,“先想清楚再动手”
适用场景- 个人快速原型开发
- 创意项目初期探索
- 快速验证想法
- 团队协作项目
- 规范开发
- 高质量要求产品
优势- 快速产出初步成果
- 激发创造性思维
- 适合不确定性任务
- 减少返工
- 提高可维护性
- 便于协作
实施流程无固定流程1. 需求分析
2. 技术设计
3. 接口规范
4. 开发
典型示例独立开发者构建新功能原型企业级应用开发
核心总结
  • Vibe模式:适合个人快速试错,侧重创意发散
  • Spec模式:适合团队规范开发,侧重系统规划

Read more

企业级 AI Agent 的终极王牌:从 0 到 1 带你理解 “本体论” 与 6 块核心“积木”

企业级 AI Agent 的终极王牌:从 0 到 1 带你理解 “本体论” 与 6 块核心“积木”

尽管生成式 AI 如火如荼,但一个尴尬的事实是:大部分企业 Agent 项目都以失败告终 — 幻觉、跑偏、不可控。也正因此,智能体工程“学科”开始兴起。其中,基于“本体论”(Ontology)的企业“本体”工程,正越来越被推至关键地位。 “本体论”也被认为是当前最火热的科技独角兽Palantir的核心竞争力。 我们将为大家更新一系列本体论实践 — 用尽可能简洁的方式带你体验本体论,并最终构建你的第一个基于本体的 AI Agent。 本篇为第一篇,内容涵盖: * 企业AI的困境:拥有数据却依然“盲目” * 现有工程手段:局部“止痛”,很难治本 * 缺失的一环:用本体补上企业“语义层” * 如何构建本体:理解 6 块核心“积木” 1.企业AI的困境:拥有数据却依然“盲目”

IDEA 插件 Trae AI 全攻略

在 Java 开发的日常中,你是否经常遇到这些场景:     面对重复的 CRUD 代码,机械敲击键盘却内心抗拒?     接手 legacy 系统,看着几百行的复杂逻辑无从下手?     调试时卡在某个异常,翻遍文档和 Stack Overflow 却找不到答案?     写单元测试时,明明功能简单却要耗费大量时间设计测试用例? 这些问题的核心,在于重复性工作占用了太多创造性时间。而随着 AI 技术的发展,AI 辅助开发工具已成为突破效率瓶颈的关键。在众多工具中,Trae AI作为 IDEA 的一款插件,凭借对 Java 生态的深度适配、与 IDE 的无缝集成以及强大的代码理解能力,逐渐成为开发者的 “编码搭子”。 本文将从基础到进阶,全面讲解 Trae AI 的功能、用法、实战技巧和最佳实践,帮你彻底释放 AI 辅助开发的潜力,让编码效率提升

从踩坑到高效选型:基于 AI Ping 平台的 20+MaaS 供应商、220 + 模型服务性能(延迟 / 吞吐 / 可靠性):深度评测与大模型选型指南

从踩坑到高效选型:基于 AI Ping 平台的 20+MaaS 供应商、220 + 模型服务性能(延迟 / 吞吐 / 可靠性):深度评测与大模型选型指南

从踩坑到高效选型:基于 AI Ping 平台的 20+MaaS 供应商、220 + 模型服务性能(延迟 / 吞吐 / 可靠性):深度评测与大模型选型指南 前言 大模型选型,我个人前段时间就面临这个问题,我们团队第一次要做智能客服项目,明确要求选 “性价比高、性能稳” 的国内大模型,还特意叮嘱 “别选贵的,但也不能出问题”,一开始没经验,翻遍了网上的视频测评、博主推荐 —— 有的博主吹 A 平台 “响应快”,结果试用时发现高峰期延迟能飙到 5 秒;有的视频说 B 平台 “性价比拉满”,实际调用时频繁掉包,光测试调试就耗了 3 天,最后的结果也不容乐观。 大模型选型根本不是 “看名气、比价格” 这么简单 —— 延迟会不会影响用户体验?高峰期吞吐能不能扛住?

PyTorch Grad-CAM完整教程:从入门到生成高质量AI热力图

PyTorch Grad-CAM完整教程:从入门到生成高质量AI热力图 【免费下载链接】pytorch-grad-camAdvanced AI Explainability for computer vision. Support for CNNs, Vision Transformers, Classification, Object detection, Segmentation, Image similarity and more. 项目地址: https://gitcode.com/gh_mirrors/py/pytorch-grad-cam 你想知道深度学习模型是如何"思考"的吗?想要直观看到AI模型在识别图片时的关注焦点?本文将带你使用PyTorch Grad-CAM工具包,通过生成类别激活图直观展示模型关注的区域,让AI决策过程不再是黑盒。读完这篇教程,你将学会:快速安装配置环境、选择适合的CAM算法、生成高质量热力图、优化可视化效果,以及评估解释结果的可靠性。 核心概念:理解Grad-CAM技术原理